1.一种基于个性化层次核密度估计的签到位置预测方法，其特征在于，该方法具体包括以下步骤：S1：利用提取的签到位置数据，建立基于地理空间的二元核密度估计；

S2：构建自适应带宽的核密度估计，为每个数据点选择各自的带宽；

S3：构建个性化的层次核密度估计；

S4：利用梯度下降算法计算出参数值。

2.根据权利要求1所述的一种基于个性化层次核密度估计的签到位置预测方法，其特征在于，所述步骤S1具体包括以下步骤：S11：从用户的签到数据中提取出签到位置数据样本，该数据样本由一系列的地理坐标L＝{l1,...,ln}组成，其中li,1≤i≤n每个都是一个二维的经纬度坐标(Loni,Lati)，n为提取样本中的签到位置数；

S12：利用步骤S11中的经纬度坐标数据，选取固定带宽h和高斯核密度函数K(·)，估计出一个二元核密度函数，得到二元核密度模型为：其中，l表示待计算地点的密度。

3.根据权利要求2所述的一种基于个性化层次核密度估计的签到位置预测方法，其特征在于，所述步骤S2具体为：选取li的k近邻距离作为自适应带宽hi，则自适应带宽的核密度估计为：

4.根据权利要求3所述的一种基于个性化层次核密度估计的签到位置预测方法，其特征在于，所述步骤S3具体为：构建个性化的层次核密度估计为：其中，βj,1≤j≤N为加权权重，N为核密度估计的种类，分别为三种不同层次的数据建立核密度估计；fKDE(l|Cj)为第j个KDE模型组件，Cj为构建这个模型的数据部分；其中每个fKDE(l|Cj)都是k近邻的自适应带宽；根据每个用户个人的签到数据建立个性化的核密度估计，同时，建立基于整体和区域的核密度估计，通过融合这三种核密度估计，得到个性化的层次核密度估计；

上式中，当j＝1时，为用户个人签到数据C1的核密度；当j＝2时，根据距离对地点进行初步聚类，建立类区域签到数据C2的核密度；当j＝3时，则是全体数据上C3＝C的核密度。

5.根据权利要求4所述的一种基于个性化层次核密度估计的签到位置预测方法，其特征在于，所述步骤S4具体为：在个性化层次核密度估计模型中，每个组件的核密度负责建立广泛的活动空间来平滑签到稀疏造成的估计中心化现象，利用梯度下降算法优化参数βj的凸集获得最大似然组合。